wasidennis/AdaptSegNet
این پروژه برای یادگیری تطبیقی در فضای خروجی ساختاریافته در کارهای تقسیم‌بندی معنایی (Semantic Segmentation) طراحی شده است.
کاربرد:
این روش به مدل کمک می‌کند تا بدون نیاز به برچسب‌گذاری دستی در دامنه‌های جدید (مثل تصاویر واقعی در برابر تصاویر شبیه‌سازی شده)، بتواند عملکرد خوبی داشته باشد. به عبارت دیگر، مدل آموزش دیده روی یک دامنه (مثلاً شهرهای شبیه‌سازی شده) را می‌توان به خوبی روی دامنه دیگر (مثلاً شهرهای واقعی) تطبیق داد. ️️
در چه شرایطی بهتره استفاده شود؟
وقتی با ناهماهنگی توزیع داده بین دو دامنه مواجه هستید و نمی‌خواهید هزینه برچسب‌گذاری دستی را بپردازید. این روش به ویژه در کاربردهایی مثل خودروهای خودران، رباتیک و تحلیل تصاویر شهری که داده‌های شبیه‌سازی شده فراوانی داریم اما داده واقعی کم‌برچسب است، بسیار مفید است.
چند مثال از موارد استفاده:
- تطبیق مدل از داده‌های شبیه‌سازی شده (مثل GTA5) به داده‌های واقعی (مثل Cityscapes)
- بهبود دقت تقسیم‌بندی در محیط‌های جدید بدون نیاز به داده‌های برچسب‌خورده
- استفاده در سیستم‌های بینایی ماشین که باید در شرایط مختلف محیطی عمل کنند
- ##SemanticSegmentation
- ##DomainAdaptation
- ##CVPR2018
- ##UnsupervisedLearning
- ##ComputerVision
- ##DeepLearning
- ##AdaptSegNet
- ##TransferLearning
- ##AIApplications
- ##SelfDrivingCars